Rdplyr的单表动词
示例
dplyr在中引入了数据处理语法R。它提供了一个一致的接口来处理数据，无论数据存储在哪里：data.frame，data.table或database。其中的关键部分dplyr是使用Rcpp编写的，这使得使用内存数据的速度非常快。
dplyr公司的理念是拥有能做一件事的小功能。这五个简单的功能（filter，arrange，select，mutate，和summarise）可用于揭示新的方式来描述数据。与结合使用时group_by，这些功能可用于计算按组汇总统计信息。
语法共性
所有这些功能都具有相似的语法：
所有这些功能的第一个参数始终是数据帧
可以使用裸变量名称直接引用列（即，不使用$）
这些函数不会修改原始数据本身，即它们没有副作用。因此，结果应始终保存到对象。
我们将使用内置的mtcars数据集来探索dplyr的单表动词。转换的类型的前mtcars向tbl_df（因为它使打印机），我们添加rownames作为使用列中的数据集的rownames_to_column函数从tibble包。
library(dplyr) # This documentation was written using version 0.5.0 mtcars_tbl <- as_data_frame(tibble::rownames_to_column(mtcars, "cars")) # examine the structure of data head(mtcars_tbl) # A tibble: 6 x 12 # cars mpg cyl disp hp drat wt qsec vs am gear carb # <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> #1 Mazda RX4 21.0 6 160 110 3.90 2.620 16.46 0 1 4 4 #2 Mazda RX4 Wag 21.0 6 160 110 3.90 2.875 17.02 0 1 4 4 #3 Datsun 710 22.8 4 108 93 3.85 2.320 18.61 1 1 4 1 #4 Hornet 4 Drive 21.4 6 258 110 3.08 3.215 19.44 1 0 3 1 #5 Hornet Sportabout 18.7 8 360 175 3.15 3.440 17.02 0 0 3 2 #6 Valiant 18.1 6 225 105 2.76 3.460 20.22 1 0 3 1
过滤
filter帮助符合特定条件的子集行。第一个参数是的名称，data.frame第二个（及后续）参数是用于过滤数据的条件（这些条件的值应为TRUE或FALSE）
细分所有具有4个气缸的汽车-cyl：
filter(mtcars_tbl, cyl == 4) # A tibble: 11 x 12 # cars mpg cyl disp hp drat wt qsec vs am gear carb # <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> #1 Datsun 710 22.8 4 108.0 93 3.85 2.320 18.61 1 1 4 1 #2 Merc 240D 24.4 4 146.7 62 3.69 3.190 20.00 1 0 4 2 #3 Merc 230 22.8 4 140.8 95 3.92 3.150 22.90 1 0 4 2 #4 Fiat 128 32.4 4 78.7 66 4.08 2.200 19.47 1 1 4 1 #5 Honda Civic 30.4 4 75.7 52 4.93 1.615 18.52 1 1 4 2 # ... with 6 more rows
我们可以通过逗号分隔多个条件。要将具有4个或6个气缸-cyl且具有5个齿轮的汽车子集-gear：
filter(mtcars_tbl, cyl == 4 | cyl == 6, gear == 5) # A tibble: 3 x 12 # cars mpg cyl disp hp drat wt qsec vs am gear carb # <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> #1 Porsche 914-2 26.0 4 120.3 91 4.43 2.140 16.7 0 1 5 2 #2 Lotus Europa 30.4 4 95.1 113 3.77 1.513 16.9 1 1 5 2 #3 Ferrari Dino 19.7 6 145.0 175 3.62 2.770 15.5 0 1 5 6
filter根据条件选择行，使用按位置选择行slice。slice仅使用2个参数：第一个是adata.frame，第二个是整数行值。
要选择第6至9行：
slice(mtcars_tbl, 6:9) # A tibble: 4 x 12 # cars mpg cyl disp hp drat wt qsec vs am gear carb # <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> #1 Valiant 18.1 6 225.0 105 2.76 3.46 20.22 1 0 3 1 #2 Duster 360 14.3 8 360.0 245 3.21 3.57 15.84 0 0 3 4 #3 Merc 240D 24.4 4 146.7 62 3.69 3.19 20.00 1 0 4 2 #4 Merc 230 22.8 4 140.8 95 3.92 3.15 22.90 1 0 4 2
要么：
slice(mtcars_tbl, -c(1:5, 10:n()))
结果与输出相同slice(mtcars_tbl,6:9)
n()代表当前组中的观察数
安排
arrange用于按指定的排序数据variable(s)。与前一个动词（以及中的所有其他函数dplyr）一样，第一个参数是data.frame，随后的参数用于对数据进行排序。如果传递了多个变量，则数据首先按第一个变量排序，然后按第二个变量排序，依此类推。
要以马力订购数据-hp
arrange(mtcars_tbl, hp) # A tibble: 32 x 12 # cars mpg cyl disp hp drat wt qsec vs am gear carb # <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> #1 Honda Civic 30.4 4 75.7 52 4.93 1.615 18.52 1 1 4 2 #2 Merc 240D 24.4 4 146.7 62 3.69 3.190 20.00 1 0 4 2 #3 Toyota Corolla 33.9 4 71.1 65 4.22 1.835 19.90 1 1 4 1 #4 Fiat 128 32.4 4 78.7 66 4.08 2.200 19.47 1 1 4 1 #5 Fiat X1-9 27.3 4 79.0 66 4.08 1.935 18.90 1 1 4 1 #6 Porsche 914-2 26.0 4 120.3 91 4.43 2.140 16.70 0 1 5 2 # ... with 26 more rows
以英里/加仑为单位arrange的数据-降序排列，后跟气缸数-：mpgcyl
arrange(mtcars_tbl, desc(mpg), cyl) # A tibble: 32 x 12 # cars mpg cyl disp hp drat wt qsec vs am gear carb # <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> #1 Toyota Corolla 33.9 4 71.1 65 4.22 1.835 19.90 1 1 4 1 #2 Fiat 128 32.4 4 78.7 66 4.08 2.200 19.47 1 1 4 1 #3 Honda Civic 30.4 4 75.7 52 4.93 1.615 18.52 1 1 4 2 #4 Lotus Europa 30.4 4 95.1 113 3.77 1.513 16.90 1 1 5 2 #5 Fiat X1-9 27.3 4 79.0 66 4.08 1.935 18.90 1 1 4 1 #6 Porsche 914-2 26.0 4 120.3 91 4.43 2.140 16.70 0 1 5 2 # ... with 26 more rows
选择
select用于仅选择变量的子集。只选择mpg，disp，wt，qsec，和vs来自mtcars_tbl：
select(mtcars_tbl, mpg, disp, wt, qsec, vs) # A tibble: 32 x 5 # mpg disp wt qsec vs # <dbl> <dbl> <dbl> <dbl> <dbl> #1 21.0 160.0 2.620 16.46 0 #2 21.0 160.0 2.875 17.02 0 #3 22.8 108.0 2.320 18.61 1 #4 21.4 258.0 3.215 19.44 1 #5 18.7 360.0 3.440 17.02 0 #6 18.1 225.0 3.460 20.22 1 # ... with 26 more rows
:表示法可用于选择连续的列。要cars通过disp和vs来选择列carb：
select(mtcars_tbl, cars:disp, vs:carb) # A tibble: 32 x 8 # cars mpg cyl disp vs am gear carb # <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> #1 Mazda RX4 21.0 6 160.0 0 1 4 4 #2 Mazda RX4 Wag 21.0 6 160.0 0 1 4 4 #3 Datsun 710 22.8 4 108.0 1 1 4 1 #4 Hornet 4 Drive 21.4 6 258.0 1 0 3 1 #5 Hornet Sportabout 18.7 8 360.0 0 0 3 2 #6 Valiant 18.1 6 225.0 1 0 3 1 # ... with 26 more rows
要么select(mtcars_tbl,-(hp:qsec))
对于包含多个列的数据集，按名称选择多个列可能很繁琐。为了使生活更轻松，也有一些辅助功能（如starts_with()，ends_with()，contains()，matches()，num_range()，one_of()，和everything()），可在使用select。要了解有关如何使用它们的更多信息，请参见?select_helpers和?select。
注意：在中直接引用列时select()，我们使用裸列名称，但是在帮助函数中引用列时应使用引号。
要在选择时重命名列：
select(mtcars_tbl, cylinders = cyl, displacement = disp) # A tibble: 32 x 2 # cylinders displacement # <dbl> <dbl> #1 6 160.0 #2 6 160.0 #3 4 108.0 #4 6 258.0 #5 8 360.0 #6 6 225.0 # ... with 26 more rows
如预期的那样，这将删除所有其他变量。
要重命名列而不删除其他变量，请使用rename：
rename(mtcars_tbl, cylinders = cyl, displacement = disp) # A tibble: 32 x 12 # cars mpg cylinders displacement hp drat wt qsec vs # <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> #1 Mazda RX4 21.0 6 160.0 110 3.90 2.620 16.46 0 #2 Mazda RX4 Wag 21.0 6 160.0 110 3.90 2.875 17.02 0 #3 Datsun 710 22.8 4 108.0 93 3.85 2.320 18.61 1 #4 Hornet 4 Drive 21.4 6 258.0 110 3.08 3.215 19.44 1 #5 Hornet Sportabout 18.7 8 360.0 175 3.15 3.440 17.02 0 #6 Valiant 18.1 6 225.0 105 2.76 3.460 20.22 1 # ... with 26 more rows, and 3 more variables: am <dbl>, gear <dbl>, carb <dbl>
变异
mutate可用于向数据添加新列。与一样dplyr，mutate不会将新创建的列添加到原始数据中。列添加在的末尾data.frame。
mutate(mtcars_tbl, weight_ton = wt/2, weight_pounds = weight_ton * 2000) # A tibble: 32 x 14 # cars mpg cyl disp hp drat wt qsec vs am gear carb weight_ton weight_pounds # <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> #1 Mazda RX4 21.0 6 160.0 110 3.90 2.620 16.46 0 1 4 4 1.3100 2620 #2 Mazda RX4 Wag 21.0 6 160.0 110 3.90 2.875 17.02 0 1 4 4 1.4375 2875 #3 Datsun 710 22.8 4 108.0 93 3.85 2.320 18.61 1 1 4 1 1.1600 2320 #4 Hornet 4 Drive 21.4 6 258.0 110 3.08 3.215 19.44 1 0 3 1 1.6075 3215 #5 Hornet Sportabout 18.7 8 360.0 175 3.15 3.440 17.02 0 0 3 2 1.7200 3440 #6 Valiant 18.1 6 225.0 105 2.76 3.460 20.22 1 0 3 1 1.7300 3460 # ... with 26 more rows
请注意weight_ton创建时的使用weight_pounds。与base不同R，mutate我们可以引用刚创建的列以用于后续操作。
要仅保留新创建的列，请使用transmute代替mutate：
transmute(mtcars_tbl, weight_ton = wt/2, weight_pounds = weight_ton * 2000) # A tibble: 32 x 2 # weight_ton weight_pounds # <dbl> <dbl> #1 1.3100 2620 #2 1.4375 2875 #3 1.1600 2320 #4 1.6075 3215 #5 1.7200 3440 #6 1.7300 3460 # ... with 26 more rows
总结
summarise通过将多个值折叠为一个值来计算变量的摘要统计量。它可以计算多个统计信息，我们可以在同一条语句中命名这些汇总列。
为了计算平均值和标准偏差的mpg，并disp在数据集中的所有车型：
summarise(mtcars_tbl, mean_mpg = mean(mpg), sd_mpg = sd(mpg),
mean_disp = mean(disp), sd_disp = sd(disp))
# A tibble: 1 x 4
# mean_mpg sd_mpg mean_disp sd_disp
# <dbl> <dbl> <dbl> <dbl>
#1 20.09062 6.026948 230.7219 123.9387通过...分组
group_by可用于对数据执行分组操作。将以上定义的动词应用于此分组数据时，它们会自动自动分别应用于每个组。
查找mean和sd的mpg依据cyl：
by_cyl <- group_by(mtcars_tbl, cyl) summarise(by_cyl, mean_mpg = mean(mpg), sd_mpg = sd(mpg)) # A tibble: 3 x 3 # cyl mean_mpg sd_mpg # <dbl> <dbl> <dbl> #1 4 26.66364 4.509828 #2 6 19.74286 1.453567 #3 8 15.10000 2.560048
全部放在一起
我们从选择列cars通过hp并gear，以便通过行cyl和从最高到最低mpg，组由数据gear，最后子集只有那些车有mpg>20hp>75
selected <- select(mtcars_tbl, cars:hp, gear) ordered <- arrange(selected, cyl, desc(mpg)) by_cyl <- group_by(ordered, gear) filter(by_cyl, mpg > 20, hp > 75) Source: local data frame [9 x 6] Groups: gear [3] # cars mpg cyl disp hp gear # <chr> <dbl> <dbl> <dbl> <dbl> <dbl> #1 Lotus Europa 30.4 4 95.1 113 5 #2 Porsche 914-2 26.0 4 120.3 91 5 #3 Datsun 710 22.8 4 108.0 93 4 #4 Merc 230 22.8 4 140.8 95 4 #5 Toyota Corona 21.5 4 120.1 97 3 # ... with 4 more rows
也许我们对中间结果不感兴趣，我们可以通过包装函数调用来获得与上述相同的结果：
filter(
group_by(
arrange(
select(
mtcars_tbl, cars:hp
), cyl, desc(mpg)
), cyl
),mpg > 20, hp > 75
)这可能有点难以理解。因此，dplyr可以使用管道%>%运算符将操作链接在一起。上面的代码可转换为：
mtcars_tbl %>%
select(cars:hp) %>%
arrange(cyl, desc(mpg)) %>%
group_by(cyl) %>%
filter(mpg > 20, hp > 75)汇总多列
dplyr提供summarise_all()将功能应用于所有（非分组）列的功能。
要查找每列的不同值的数量：
mtcars_tbl %>%
summarise_all(n_distinct)
# A tibble: 1 x 12
# cars mpg cyl disp hp drat wt qsec vs am gear carb
# <int> <int> <int> <int> <int> <int> <int> <int> <int> <int> <int> <int>
#1 32 25 3 27 22 22 29 30 2 2 3 6通过以下方式查找每列的不同值的数量cyl：
mtcars_tbl %>%
group_by(cyl) %>%
summarise_all(n_distinct)
# A tibble: 3 x 12
# cyl cars mpg disp hp drat wt qsec vs am gear carb
# <dbl> <int> <int> <int> <int> <int> <int> <int> <int> <int> <int> <int>
#1 4 11 9 11 10 10 11 11 2 2 3 2
#2 6 7 6 5 4 5 6 7 2 2 3 3
#3 8 14 12 11 9 11 13 14 1 2 2 4请注意，我们只需要添加该group_by语句，其余代码相同。现在，输出包括三行-对应于的每个唯一值cyl。
要指定summarise多个列，请使用summarise_at
mtcars_tbl %>%
group_by(cyl) %>%
summarise_at(c("mpg", "disp", "hp"), mean)
# A tibble: 3 x 4
# cyl mpg disp hp
# <dbl> <dbl> <dbl> <dbl>
#1 4 26.66364 105.1364 82.63636
#2 6 19.74286 183.3143 122.28571
#3 8 15.10000 353.1000 209.21429helper?select_helpers可以使用函数（）代替列名来选择特定的列
要应用多个函数，请将函数名称作为字符向量传递：
mtcars_tbl %>%
group_by(cyl) %>%
summarise_at(c("mpg", "disp", "hp"),
c("mean", "sd"))或将它们包裹在里面funs：
mtcars_tbl %>%
group_by(cyl) %>%
summarise_at(c("mpg", "disp", "hp"),
funs(mean, sd))
# A tibble: 3 x 7
# cyl mpg_mean disp_mean hp_mean mpg_sd disp_sd hp_sd
# <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
#1 4 26.66364 105.1364 82.63636 4.509828 26.87159 20.93453
#2 6 19.74286 183.3143 122.28571 1.453567 41.56246 24.26049
#3 8 15.10000 353.1000 209.21429 2.560048 67.77132 50.97689现在，列名后面会附加函数名，以使它们与众不同。为了更改此设置，请传递要附加在函数后的名称：
mtcars_tbl %>%
group_by(cyl) %>%
summarise_at(c("mpg", "disp", "hp"),
c(Mean = "mean", SD = "sd"))
mtcars_tbl %>%
group_by(cyl) %>%
summarise_at(c("mpg", "disp", "hp"),
funs(Mean = mean, SD = sd))
# A tibble: 3 x 7
# cyl mpg_Mean disp_Mean hp_Mean mpg_SD disp_SD hp_SD
# <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
#1 4 26.66364 105.1364 82.63636 4.509828 26.87159 20.93453
#2 6 19.74286 183.3143 122.28571 1.453567 41.56246 24.26049
#3 8 15.10000 353.1000 209.21429 2.560048 67.77132 50.97689要有条件地选择列，请使用summarise_if：
就拿mean被所有列的numeric按分组cyl：
mtcars_tbl %>%
group_by(cyl) %>%
summarise_if(is.numeric, mean)
# A tibble: 3 x 11
# cyl mpg disp hp drat wt qsec
# <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
#1 4 26.66364 105.1364 82.63636 4.070909 2.285727 19.13727
#2 6 19.74286 183.3143 122.28571 3.585714 3.117143 17.97714
#3 8 15.10000 353.1000 209.21429 3.229286 3.999214 16.77214
# ... with 4 more variables: vs <dbl>, am <dbl>, gear <dbl>,
# carb <dbl>但是，某些变量是离散的，mean其中的变量没有意义。
通过以下mean方式仅取连续变量cyl：
mtcars_tbl %>%
group_by(cyl) %>%
summarise_if(function(x) is.numeric(x) & n_distinct(x) > 6, mean)
# A tibble: 3 x 7
# cyl mpg disp hp drat wt qsec
# <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
#1 4 26.66364 105.1364 82.63636 4.070909 2.285727 19.13727
#2 6 19.74286 183.3143 122.28571 3.585714 3.117143 17.97714
#3 8 15.10000 353.1000 209.21429 3.229286 3.999214 16.77214